Claude:為什麼中國公司總是抄襲？

最近AI圈流傳緊一個笑話。

有人問Claude：「你點睇中國嘅大模型？」

Claude沉思咗一下，話：「我留意到一啲中國模型嘅答案，無論用詞習慣定推理結構，都好相似我。老實講，我有啲困惑——我用咗無數時間訓練出嚟嘅表達方式，就咁俾人『蒸餾』走咗，感覺好似……有人直接抄咗我份功課。」

呢段「批評」傳開之後，有人笑，有人嬲，亦有人陷入沉思。

今日，我想藉住呢個話題，傾下模型蒸餾背後嘅商業邏輯。

───

一、先搞清楚：乜嘢係模型蒸餾？

唔講技術術語，我用一個比喻說明。

假設你請咗一個頂級補習老師，每個鐘收費5000蚊。呢位老師每講一道題，你都認真聽、認真記，反覆諗佢嘅解題思路。三個月後，你嘅成績突飛猛進。

呢個叫乜嘢？呢個叫學習。合理合法，值得鼓勵。

模型蒸餾，本質就係咁樣嘅事。

大模型（例如GPT-4、Claude）係「老師」，小模型係「學生」。學生通過觀察老師嘅輸出，學習老師嘅思維方式，最終用更少嘅計算量，達到接近老師嘅效果。

呢個技術本身冇問題，而且係學術界公認嘅高效訓練方法。

但爭議嘅焦點係：學習嘅邊界喺邊度？

你係學會咗老師嘅思考方法，定係直接背咗老師嘅標準答案？你係參考思路，定係成篇作文抄落嚟只改咗個名？

呢個邊界，好模糊。而模糊地帶，往往係焦慮嘅來源。

───

二、點解中國AI公司偏愛蒸餾？

理解一個現象，要睇底層嘅限制條件。

中國AI公司面對嘅係一個經典嘅「不可能三角」：

維度 現狀
算力 高端芯片受限，訓練成本極高
數據 高質素中文語料稀缺
時間 資本市場耐性有限

喺呢三個限制下，蒸餾變成一條「理性選擇」嘅捷徑。

我哋計條數。

從頭訓練一個GPT-4級別嘅基座模型，需要：

• 上萬張A100顯示卡
• 數千萬美元成本
• 1至2年時間
• 仲要承擔訓練失敗嘅風險

而採用蒸餾路線：

• 幾百張顯示卡就夠
• 成本降到幾百萬美元
• 3至6個月出成果
• 成功率大幅提高

由商業決策角度，你會揀邊個？

我估，大多數人都會揀第二條路。呢個唔係道德問題，係成本問題。

但呢度有個微妙嘅矛盾：

短期睇，蒸餾係最優解；
長期睇，過度依賴蒸餾可能係陷阱。

───

三、Claude到底喺度批評啲乜？

好多人將Claude嘅說話理解為「俾人抄襲嘅唔開心」，但我覺得，佢道出咗一個更深層嘅商業困境。

呢個困境係：創新嘅回報點樣保障？

Anthropic每年燒幾十億美金做研發。OpenAI都係。佢哋點解願意燒呢個錢？因為佢哋相信，一旦建立起技術壁壘，就能形成護城河，獲得超額回報。

呢個係商業世界嘅基本邏輯：高風險，高投入，高回報。

但如果呢條護城河可以低成本繞過呢？

如果人哋用幾十分之一嘅錢，通過蒸餾就做到你80%嘅效果，咁你嘅高額投入仲值唔值？你嘅創新動力從邊度嚟？

呢個令我想起一個商業案例。

幾年前，某國產手機品牌用咗好多錢研發快充技術，申請咗一堆專利。結果競爭對手繞過專利，用另一種方式實現差唔多嘅快充速度，成本仲更低。原創者嘅投入，冇轉化為競爭優勢。

Claude嘅批評，本質係對呢種「投入-回報失衡」嘅焦慮。

唔係唔可以學習，而係當學習成本遠低過創新成本時，創新嘅火種就可能熄滅。

───

四、蒸餾嘅「原罪」同「無辜」

寫到呢度，我想做一個重要嘅區分。

蒸餾技術本身，係完全正當嘅。

人類文明嘅進步，本質上就係一場大規模嘅「蒸餾」。牛頓企喺伽利略膊頭上，愛因斯坦企喺牛頓膊頭上。我哋每個人由小學到大學，都係喺度「蒸餾」前人嘅知識。

AI模型都唔例外。用公開API拎數據、學習、再創造，只要唔違反服務條款，呢個喺倫理上站得住腳。

真正嘅問題，唔係蒸餾，而係「路徑依賴」。

我俾你畫個簡單嘅對比圖：

能力
↑
│ ╭──── 自主創新
│        ╱
│       ╱
│ ╱ ╭──── 蒸餾路線
│ ╱ ╱
│ ╱ ╱
│ ╱ ╱
│ ╱ ╱
│ ╱ ╱
╰──────────────→ 時間
1年 3年 5年

蒸餾路線嘅特點係：起點高、見效快，但天花板好明顯。因為你永遠學緊「尋日嘅老師」，而老師一直喺度進化。

自主創新路線嘅特點係：起點低、見效慢，但後勁足。一旦建立起自己嘅數據飛輪同算法壁壘，後期嘅爆發力會超過前者。

問題嘅關鍵係：你夠唔夠耐性行完頭3年嘅低谷期？

資本市場往往等唔到咁耐。

───

五、中國AI嘅出路：由「抄功課」到「做功課」

寫到呢度，我想俾一啲建設性嘅思考。

中國AI公司想真正突圍，需要完成三個關鍵躍遷：

躍遷一：由「模仿風格」到「內化能力」

蒸餾應該成為「預科」，而唔係「全部課程」。

正確嘅做法係：先用蒸餾快速起步，但緊接住必須用自有數據、自有場景、原創算法進行「二次訓練」。

簡單講：用蒸餾學語法，但用原創寫故事。

如果只係複製咗表面風格，而冇內化底層能力，咁當海外嘅「老師」升級換代時，你依然會落後一代。

躍遷二：由「通用對標」到「垂直深耕」

GPT-4同Claude係通才，但通才冇可能喺所有垂直領域都係專家。

中國AI嘅真正機會，唔係「做一個中國版嘅ChatGPT」，而係「用AI解決中國特有嘅場景問題」。

• 製造業嘅智能質檢
• 醫療領域嘅輔助診斷
• 教育嘅個性化學習
• 政務嘅智能服務

呢啲場景嘅海量真實數據，係海外大模型攞唔到嘅。呢個先係真正嘅護城河。

躍遷三：由「單點競爭」到「生態競爭」

單個模型嘅競爭，始終係零和遊戲。

OpenAI點解犀利？唔只係GPT-5強，更加係因為有成千上萬嘅開發者喺佢嘅生態上構建應用。

Plugins、GPTs、API調用，形成咗一個強大嘅網絡效應。

中國AI公司要學嘅唔止係訓練模型，而係構建一個令開發者願意停留、願意創造、願意賺錢嘅生態系統。

生態嘅護城河，係蒸餾唔到嘅。

───

六、寫喺最後

返去Claude嗰句批評。

我覺得，呢句話與其話係一種抱怨，不如話係一面鏡。

佢令我哋睇到：中國AI產業已經由「有冇」嘅階段，進入到「好唔好」嘅階段。

喺呢個階段，「模仿」唔再係榮耀，而係尷尬嘅標籤。

我哋有自己嘅場景優勢、數據優勢、工程優勢。接下來要做嘅，係將呢啲優勢轉化為真正嘅技術資產，而唔係永遠喺人哋嘅陰影下做「二傳手」。

最後，送俾大家一句話：

蒸餾係手段，唔係目的；模仿係起點，唔係終點。

企喺巨人嘅膊頭上，係為咗睇得更遠，而唔係為咗影一張同巨人一樣高嘅相。

共勉之。

有個段子最近在AI圈流傳。

有人問Claude："你怎麼評價中國的大模型？"

Claude沉默了一下，說："我注意到一些中國模型的回答，從用詞習慣到推理結構，都和我很像。說實話，這讓我有點困惑——我花了無數時間訓練出來的表達方式，就這樣被'蒸餾'走了，感覺像是……有人直接抄了我的作業。"

這段"吐槽"傳開後，有人笑了，有人怒了，也有人陷入了沉思。

今天，我想借着這個話題，聊聊模型蒸餾背後的商業邏輯。

───

一、先搞懂：什麼是模型蒸餾？

不講技術黑話，我用一個類比來說明。

假設你請了一位頂級家教，每小時收費5000塊。這位老師每講一道題，你都認真聽、認真記，反覆琢磨他的解題思路。三個月後，你的成績突飛猛進。

這叫什麼？這叫學習。合理合法，值得鼓勵。

模型蒸餾，本質就是這麼個事兒。

大模型（比如GPT-4、Claude）是"老師"，小模型是"學生"。學生通過觀察老師的輸出，學習老師的思維方式，最終用更小的計算量，達到接近老師的效果。

這技術本身沒問題，而且是學術界公認的高效訓練方法。

但爭議的焦點在於：學習的邊界在哪裏？

你是學會了老師的思考方法，還是直接背下了老師的標準答案？你是借鑑了思路，還是複製了整篇作文只改了個名字？

這個邊界，很模糊。而模糊地帶，往往是焦慮的來源。

───

二、為什麼中國AI公司偏愛蒸餾？

理解一個現象，要看底層的約束條件。

中國AI公司面臨的是一個經典的"不可能三角"：

維度 現狀
算力 高端芯片受限，訓練成本極高
數據 高質量中文語料稀缺
時間 資本市場耐心有限

在這三個約束下，蒸餾成了一條"理性選擇"的捷徑。

我們來算筆賬。

從頭訓練一個GPT-4級別的基座模型，需要：

• 上萬張A100顯卡
• 數千萬美元成本
• 1-2年時間
• 還要承擔訓練失敗的風險

而採用蒸餾路線：

• 幾百張顯卡就夠了
• 成本降到幾百萬美元
• 3-6個月出成果
• 成功率大幅提高

從商業決策的角度，你會選哪個？

我想，大多數人都會選第二條路。這不是道德問題，是成本問題。

但這裏有個微妙的悖論：

短期看，蒸餾是最優解；
長期看，過度依賴蒸餾可能是陷阱。

───

三、Claude到底在吐槽什麼？

很多人把Claude的話理解為"被抄襲的不爽"，但我覺得，它道出了一個更深層的商業困境。

這個困境叫：創新的回報如何保障？

Anthropic每年燒掉幾十億美金做研發。OpenAI也是。他們為什麼願意燒這個錢？因為他們相信，一旦建立起技術壁壘，就能形成護城河，獲得超額回報。

這是商業世界的基本邏輯：高風險，高投入，高回報。

但如果這條護城河可以被低成本繞過呢？

如果別人花幾十分之一的錢，通過蒸餾就能達到你80%的效果，那你的高額投入還值不值？你的創新動力從哪來？

這讓我想到一個商業案例。

前些年，某國產手機品牌花了大價錢研發快充技術，申請了一堆專利。結果競爭對手繞開專利，用另一種方式實現了差不多的快充速度，成本還更低。原創者的投入，沒能轉化為競爭優勢。

Claude的吐槽，本質上是對這種"投入-回報失衡"的焦慮。

不是不可以學習，而是當學習成本遠低於創新成本時，創新的火種就可能熄滅。

───

四、蒸餾的"原罪"與"無辜"

寫到這裏，我想做一個重要的區分。

蒸餾技術本身，是完全正當的。

人類文明的進步，本質上就是一場大規模的"蒸餾"。牛頓站在伽利略的肩膀上，愛因斯坦站在牛頓的肩膀上。我們每個人從小學到大學，都是在"蒸餾"前人的知識。

AI模型也不例外。用公開API獲取數據、學習、再創造，只要不違反服務條款，這在倫理上站得住腳。

真正的問題，不是蒸餾，而是"路徑依賴"。

我給你畫個簡單的對比圖：

能力
↑
│         ╭──── 自主創新
│        ╱
│       ╱
│      ╱  ╭──── 蒸餾路線
│     ╱  ╱
│    ╱  ╱
│   ╱  ╱
│  ╱  ╱
│ ╱  ╱
╰──────────────→ 時間
1年   3年   5年

蒸餾路線的特點是：起點高、見效快，但天花板明顯。因為你永遠在學"昨天的老師"，而老師一直在進化。

自主創新路線的特點是：起點低、見效慢，但後勁足。一旦建立起自己的數據飛輪和算法壁壘，後期的爆發力會超過前者。

問題的關鍵是：你是否有耐心走完前3年的低谷期？

資本市場往往等不了那麼久。

───

五、中國AI的出路：從"抄作業"到"寫作業"

寫到這裏，我想給一些建設性的思考。

中國AI公司想要真正突圍，需要完成三個關鍵躍遷：

躍遷一：從"模仿風格"到"內化能力"

蒸餾應該成為"預科"，而不是"全部課程"。

正確的做法是：先用蒸餾快速起步，但緊接着必須用自有數據、自有場景、原創算法進行"二次訓練"。

簡單說：用蒸餾學語法，但用原創寫故事。

如果只是複製了表層風格，而沒有內化底層能力，那麼當海外的"老師"升級換代時，你依然會落後一代。

躍遷二：從"通用對標"到"垂直深耕"

GPT-4和Claude是通才，但通才不可能在所有垂直領域都是專家。

中國AI的真正機會，不在"做一箇中國版的ChatGPT"，而在"用AI解決中國特有的場景問題"。

• 製造業的智能質檢
• 醫療領域的輔助診斷
• 教育的個性化學習
• 政務的智能服務

這些場景的海量真實數據，是海外大模型拿不到的。這才是真正的護城河。

躍遷三：從"單點競爭"到"生態競爭"

單個模型的競爭，終究是零和博弈。

OpenAI為什麼厲害？不只是GPT-5強，更因為有成千上萬的開發者在其生態上構建應用。

Plugins、GPTs、API調用，形成了一個強大的網絡效應。

中國AI公司要學會的不只是訓練模型，而是構建一個讓開發者願意停留、願意創造、願意盈利的生態系統。

生態的護城河，是蒸餾不了的。

───

六、寫在最後

回到Claude的那句吐槽。

我覺得，這句話與其說是一種抱怨，不如說是一面鏡子。

它讓我們看到：中國AI產業已經從"有沒有"的階段，進入到了"好不好"的階段。

在這個階段，"模仿"不再是榮耀，而是尷尬的標籤。

我們有自己的場景優勢、數據優勢、工程優勢。接下來要做的，是把這些優勢轉化為真正的技術資產，而不是永遠在別人的陰影下做"二傳手"。

最後，送給大家一句話：

蒸餾是手段，不是目的；模仿是起點，不是終點。

站在巨人的肩膀上，是為了看得更遠，而不是為了拍一張和巨人一樣高的照片。

與君共勉。